基于DP-TBD 的不同分辨率传感器集中式异步融合算法

主要运用检测前跟踪动态规划(DP-TBD)算法解决不同分辨率的多传感器多目标融合问题,提出了一种基于DP-TBD的不同分辨率的传感器集中式异步融合算法。该算法分为两步:第一步将不同分辨率的传感器取得的回波数据统一对齐到相同单元格尺寸的量测空间;第二步将具有不同采样间隔的传感器得到的量测数据按照时间顺序传送至融合中心进行集中式融合。接着,用动态规划检测前跟踪算法来处理所得到的数据,并且进行航迹恢复。同时,为了提高异步融合的有效性,文中还提出了一种基于变转移状态数的算法。仿真结果说明基于DP-TBD的集中式异步融合算法的有效性,并且和单个传感器的性能比较,该算法大大改善了目标跟踪的性能。     

基于REKF的异类传感器异步数据融合算法研究

提出了一种基于异类传感器(R和IR)的数据融合目标跟踪算法,两种传感器具有不同的测量维数,量测数据异步采样并以不同的速率传输到融合中心站点.通过时间匹配技术,完成两种异步数据的融合,然后实现滤波器的状态更新.同时文中讨论了一种REKF(旋转推广卡尔曼滤波:Rotation Extended Kalman Filter)算法,可以有效地解决量测非线性和降低计算量的问题.     

基于红外和雷达数据融合的机动目标跟踪方法

文章基于并行多传感器联合概率数据关联算法,提出了一种杂波环境下的多传感器多机动目标跟踪算法,首先使用融合算法将红外和雷达的量测进行异步和同步融合,然后应用融合后的量测,采用IMM算法实现对机动目标的跟踪.在仿真实验中分别跟踪单个和多个目标,结果表明该算法可以解决两种传感器的量测不同步问题,同时可以消除漏检现象对目标跟踪的影响,并能保证一定的跟踪精度.     

一种基于分步式滤波的数据融合算法

本文提出了一种基于分步式滤波的多传感器动态系统数据融合算法.在由多传感器组成的分布式动态系统中,当对目标状态的所有观测值到来时,首先基于系统先前信息对该时刻目标状态进行预测估计,利用Kalman滤波器和各局部观测值依次对该时刻目标状态的估计值进行更新,从而得到该时刻目标状态基于全局信息的融合估计值.文中详细推证了融合算法的具体形式,并与传统的集中式数据融合算法在计算复杂度上进行了比较,计算机仿真表明该算法与传统的集中式算法对目标状态具有相同的估计精确度.     

基于BLUE的雷达/红外异步融合算法研究

多传感器融合是提高态势感知能力的重要手段。为提高探测能力,将雷达和红外传感器组网,各传感器独立工作,在统一调度下,完成探测、跟踪、识别任务。研究该系统的雷达/红外数据融合算法,针对传感器异步探测特点,采用观测驱动的融合跟踪方法：雷达探测到目标时,采用基于状态预测的改进BLUE（Best Linear Unbiased Estimation）滤波,通过方位预测的辅助,减小测角误差非线性效应,提高跟踪性能;红外探测到目标时,基于方位预测和斜距观测,构造新的转换量测模型,实现基于不完备观测的修正BLUE滤波器。理论分析和仿真证明：所述雷达/红外数据融合方法,在不同传感器布局下都具备更优的综合性能,其设计思想可解决其他类似的多传感器融合问题,有较好的应用推广潜力。     

一种有效的异质多传感器异步量测融合算法

提出一种不同类型传感器异步量测融合算法,即首先将量测方程线性化,再在融合中心通过建立伪量测方程,得到同步化的量测数据,然后利用一种扩维滤波的思想进行融合处理得到全局估计,最后进行仿真分析。结果表明了该算法的有效性。该算法体现一种并行处理的思想,故数据处理的速度高,特别适用于异步数据的融合处理。     

多传感器数据融合中基于目标识别的DS算法研究

由于多传感器数据中对目标的描述通常存在或多或少的模糊、相驳、遗缺等现象,在多传感器数据融合处理中如何对目标进行有效可靠的识别,是一个备受关注的难题。本文对多传感器数据融合处理中基于ＤＳ算法的目标识别问题进行了较深入的探讨,利用ＤＳ算法对不确定性信息的推理判断机制,为解决上述难题提供了一种有效的方法。     

基于有理数倍采样的异步数据融合算法研究

本文研究了一类具有不同采样率的分布式多传感器动态系统的数据融合问题,针对一类采样率呈有理数倍关系的动态系统,提出一种基于多源异步采样数据的新融合算法.新算法首先是将来自各个传感器的测量值在融合中心的坐标系中和时钟下进行映射统一;其次,以对目标状态下一时刻的预测值与目标在该时刻状态的估计值之差为基础,建立起描述该融合周期内各个观测点处的目标状态向量之间的动态模型;然后,以该时刻目标状态基于全局信息的估计值为条件,结合建立的新模型和传统的Kalman滤波器,利用本周期内按序到达的各传感器观测值,依次对各个观测点处目标的状态进行估计和更新;最后,在顺序得到本周期内各个观测点处目标估计值的同时,也将获得下一时刻目标状态基于全局信息的估计值或预测估计值.文中在给出新算法基本思想的同时,也较为详细地对融合算法进行了推导,并通过计算机仿真的方法,将新算法与基于时间校准的算法在估计精确度上进行了比较,从而验证了新算法的有效性.     

非线性系统的异步多速率数据 融合估计算法研究

 研究了一类非线性时变动态系统的状态估计问题,在不同传感器以不同采样率异步对同一目标进行观测时,提出了一种有效的数据融合估计算法.通过建立多尺度模型,将异步多速率系统形式转化为同步多速率系统;在每一步分别进行状态的预测和更新.在状态和观测预测时,采用强跟踪滤波(STF)算法;在状态更新时,采用有反馈分布式结构,顺序的利用每一个传感器的观测信息去更新状态的估计;从而基于给定的非线性系统模型,得到融合所有异步、多速率传感器观测信息的状态估计结果.该方法不需要对状态或观测进行扩维,计算量适当,从而保证了算法的实时性.仿真结果验证了算法的有效性.     

一种基于多传感器数据融合的目标跟踪算法

在制导与跟踪系统中．雷达和红外成像传感器所固有的优缺点,决定了其自身的局限性。为综合利用上述传感器信息,提高目标跟踪精度,提出了一种基于雷达和红外成像传感器数据融合的交互多模目标跟踪算法,算法首先对红外图像进行处理,然后基于上述处理结果．利用交互多模算法对雷达观测信息进行目标跟踪,最后采用分布式数据融合算法得到最终目标的跟踪结果。在有效提高跟踪精度的同时,减少了运算量。     

基于APF的二元WSN运动目标跟踪算法

针对传感节点计算、通信及资源受限的特点,引入二元WSN模型,提出了一种基于辅助粒子滤波(APF)的集中式算法,以实现运动目标的实时跟踪。由于每个二元传感器只对目标是否进入其感知区域做出反应(向数据融合中心报告0或1),粒子滤波算法的复杂运算集中在融合中心完成,因此节点结构简单、通信代价低廉,有助于延长监测网络的生存周期。仿真实验结果表明,该算法对随机部署和规则部署的两种方案,均具有良好的跟踪性能,能满足一般机动目标实时跟踪的应用要求。     

基于神经网络的自组织传感器网络设计

多传感器目标跟踪是信息融合的一个重要研究内容。尽管已经有许多的融合算法,但目前对跟踪传感器的配置问题研究还很少,而这对于设计一个成功的UGS网络系统是必要的。本文设计了一种神经元阈值可调的自适应Hopfield网络,可以自组织地从整个网络中选取合适数目的传感器组成跟踪器,使整个系统的精度足够高,而使用的传感器数目尽可能少。仿真显示了算法的有效性。     

分布式传感器多目标跟踪改进算法

利用分布式传感器网络进行目标跟踪,能够有效增加传感器的覆盖范围,提高对运动目标的检测和跟踪能力,但如何充分利用相邻传感器之间的信息进行有效的融合,仍然是一个难点问题。本文在多伯努利滤波框架下,提出了一种改进的分布式融合跟踪算法用于目标数未知且变化的多目标跟踪。提出算法包含三种精度提升策略,即特征级融合反馈、决策级融合输出及交互反馈;其中,决策级融合输出策略可以提取更加准确的估计状态,特征级融合反馈策略可以降低错误融合结果对后续滤波过程的不良影响,交互反馈策略可以避免单传感器因漏检而导致的滤波失败。实验结果表明,提出算法的跟踪精度明显要优于传统的基于GCI分布式融合算法以及粒子多伯努利跟踪算法,具有较好的跟踪性能。      

A Novel Distributed Sensor Fusion Algorithm for RSSI-Based Location Estimation Using the Unscented Kalman Filter

We address the Bayesian sensor fusion approach for distributed location estimation in the wireless sensor network. Assume each sensor transmits local calculation of target position to a fusion center, which then generates under a Bayesian framework the final estimated trajectory. We study received signal strength indication-based approach using the unscented Kalman filter for each sensor to compute local estimation, and propose a novel distributed algorithm which combines the soft outputs sent from selected sensors and computes the approximated Bayesian estimates to the true position. Simulation results demonstrate that the proposed soft combining method can achieve similar tracking performance as the centralized data fusion approach. The computational cost of the proposed algorithm is less than the centralized method especially in large scale sensor networks. In addition, it is straightforward to incorporate the proposed soft combining strategy with other Bayesian filters for the general purpose of data fusion.

     

Distributed Weighted Fusion Estimators with Random Delays and Packet Dropping

This paper is concerned with the distributed fusion estimation in sensor networks where local estimates are sent to a fusion centre for fusion estimation, with random delays and packet dropouts. Under the linear minimum variance sense, a distributed optimal weighted fusion estimator is given for discrete time-invariant stochastic linear systems with multiple distributed sensors. The algorithm involves a weighted fusion of local predictors with different prediction steps from different sensor sources. A recursive computation of the cross-covariance matrix of prediction errors between any two local estimates is derived. We present two fusion strategies. One is to fuse the latest local estimates that reach the fusion centre at the current time. The other is to fuse the latest local estimates that reach the fusion centre at the current time and the predicted estimates of those that do not have estimates received at the current time. Further, to reduce the computation cost, only the local estimates satisfying the given precision requirement are fused because those with longer delays or consecutive packet dropouts have large estimation errors. A strategy to select local estimators for fusion is presented based on gate thresholds of time delays or the numbers of consecutive packet dropouts for all local estimators. This method can be implemented offline. Simulation for a tracking system with four sensors shows the effectiveness of the proposed approaches.     

机载雷达和ESM系统误差下的融合跟踪

针对机载雷达和ESM系统误差下的融合跟踪问题,提出了一种基于数据压缩和间歇式雷达管理的异类传感器融合跟踪算法。首先通过数据压缩的方法对雷达和ESM间断量测进行融合跟踪,接着在此基础上利用融合跟踪中预测协方差和预定门限的比值对雷达实施开关机处理,以求有效提高作战飞机在融合跟踪中的抗干扰和反侦察能力。仿真结果表明,该算法可有效地实现系统误差下的目标融合跟踪。     

集中式跟踪融合系统中的自适应传感器分配

建立了传感器管理的一般最优化模型，研究了基于协方差控制策略的传感器分配算法，详细讨论了其分配算法在集中式跟踪融合系统中的具体实现，并给出3种不同的矩阵度量。结果表明，基于协方差控制的传感器分配算法，可依跟踪精度的需求动态地分配传感器以达到对协方差的有效控制，同时节约了传感器资源，因而是一种有效的传感器分配算法。